七講農(nóng)業(yè)遙感課件

七講農(nóng)業(yè)遙感農(nóng)業(yè)遙感研究內(nèi)容農(nóng)用地資源的監(jiān)測遙感農(nóng)作物估產(chǎn)農(nóng)業(yè)災(zāi)害監(jiān)測與預(yù)測2023/7/20一、農(nóng)用地資源的監(jiān)測

遙感信息因其覆蓋面大、實時性和現(xiàn)勢性強、速度快、周期性和準確可靠以及省時、省力、費用低等優(yōu)點，被廣泛用于測定農(nóng)用地的數(shù)量與質(zhì)量的動態(tài)變化。常用的農(nóng)用地遙感監(jiān)測方法基本上分為兩種：逐個像元比較法和分類后比較法。前者首先是對同一區(qū)域不同年份同一時相影像的光譜特征差異進行比較，確定農(nóng)用地發(fā)生變化的位置，在此基礎(chǔ)上，再采用分類的法來確定農(nóng)用地變化信息。該方法優(yōu)點是先確定農(nóng)用地變化的位置，縮小分類范圍，提高監(jiān)測速度。后者是針對整個監(jiān)測區(qū)域的逐影像系列同一位置分類結(jié)果確定土地利用類型變化的位置和所屬類型，其優(yōu)點是可以回避前一種方法所要求的影像系列一致的條件，以及影像間輻射糾正、匹配等問題，但需要選擇合適的分類方法來改善精度。2023/7/202023/7/20早期的作物估產(chǎn)主要是單因子的產(chǎn)量模型，即農(nóng)學(xué)—氣象產(chǎn)量預(yù)測模型、作物—生長模擬模型、經(jīng)驗統(tǒng)計模型等，也就是，傳統(tǒng)的統(tǒng)計分析與氣象因子綜合估算法。20世紀70年代后期的遙感估產(chǎn)則是把遙感信息作為變量加入到估產(chǎn)模則中，建立遙感估產(chǎn)模型。在理論上探討植物光合作用與作物光譜特征間的內(nèi)在聯(lián)系；在方法上，從單純建立光譜參數(shù)與產(chǎn)量間的統(tǒng)計關(guān)系，發(fā)展到考慮作物生長全過程，將光譜的遙感物理機理與作物生理過程統(tǒng)—起來，建立基于成因分析的遙感估產(chǎn)模型，估產(chǎn)精度不斷提高。二、遙感農(nóng)作物估產(chǎn)遙感估產(chǎn)需注意問題：

(1)遙感估產(chǎn)需要作物生長全過程的光譜參數(shù)。由于構(gòu)成產(chǎn)量的3個要素（穗數(shù)、粒數(shù)、千粒重）分別與作物不同生長期的植被指數(shù)有關(guān)。因此必須掌握作物生長全過程的光譜參數(shù)才能正確估產(chǎn)。而Landsat／TM的時間分辨率有限，故遙感估產(chǎn)除用TM外，還離不開短周期數(shù)據(jù)。過去把某一時段的遙感光譜參數(shù)或它的累加值與產(chǎn)量直接掛勾的模式尚有不足，如過于密植，光譜值增加，但產(chǎn)量并非增加。

(2)遙感估產(chǎn)主要運用遙感數(shù)據(jù)中反映植物光合作用的代表波段——可見光紅波段和近紅外波段，說明遙感估產(chǎn)不僅直接抓住“光合作用”這一事物的本質(zhì)，而且能給出定量分析數(shù)據(jù)——各種植被指數(shù)，它是單位面積光合作用的有效描述。2023/7/20

(3)遙感估產(chǎn)離不開地面實況的配合。遙感估產(chǎn)是建立遙感數(shù)據(jù)與產(chǎn)量構(gòu)成要素間的內(nèi)在聯(lián)系。而這種內(nèi)在聯(lián)系是以地面樣點試驗為依據(jù)的。一方面遙感估產(chǎn)中遙感數(shù)據(jù)需要地面樣點的定標(biāo)，以建立模式；另一方面遙感估產(chǎn)的結(jié)果，又要地面樣點的檢驗．所以遙感估產(chǎn)離不開地面實況的配合。

(4)遙感估產(chǎn)還需要積溫值、日照時數(shù)、播種量、土壤含水量等非遙感的農(nóng)學(xué)參數(shù)、氣象參數(shù)的支持．所以在GIS支持下進行遙感與非遙感數(shù)據(jù)的綜合分析是提高遙感估產(chǎn)精度的必要途徑。2023/7/20

遙感大面積作物估產(chǎn)主要涉及3方面內(nèi)容：作物識別、作物面積提取、作物長勢分析。在這3方面內(nèi)容綜合的基礎(chǔ)上，建立不同條件的多種估產(chǎn)模式，進行作物的遙感估產(chǎn)。

1)作物識別與作物面積提?。鹤魑镒R別與作物面積提取，往往是結(jié)合進行的。其基本過程包括：

(1)遙感數(shù)據(jù)的采集與預(yù)處理根據(jù)區(qū)域分布、作物類別、農(nóng)學(xué)歷等特點，選擇空間、波譜、時間分辨率相對應(yīng)的遙感圖像數(shù)據(jù)。

2023/7/20作物估產(chǎn)涉及的內(nèi)容

(2)作物專題信息的提取常采用植被指數(shù)法提取作物專題信息。植被指數(shù)中包含有多種作物類別與作物長勢方面的信息，如植物葉面積指數(shù)、葉綠素含量、植物覆蓋度、生物量等，那么就可以通過植被指數(shù)來反演與作物估產(chǎn)模型有關(guān)的各種參數(shù)，如NDVI與作物覆蓋度關(guān)系密切，可以有效地提取面積信息；RVI反映作物長勢，可以提取生物量信息；PVI有效地濾去土壤背景及大氣的干擾等。

由于不同自然地理單元內(nèi)，作物的生長條件(光照、溫度、降水、土壤等)和生長狀況(包括自然與人為因素)在空間上會有很大差異。為了提高遙感估產(chǎn)的準確性．常按照作物生長環(huán)境及作物產(chǎn)量的區(qū)域分異規(guī)律，進行影像的分區(qū)、分類，以盡量保證同一區(qū)域內(nèi)作物生長環(huán)境的一致性，并在分區(qū)的基礎(chǔ)上進行作物專題信息的提取。(3)作物面積提取及精度評價2023/7/202023/7/202)作物長勢分析及估產(chǎn)植被指數(shù)（VI：VegetationIndex）：基于植被葉綠素在紅色波段的強烈吸收以及在近紅外波段的強烈反射，通過紅和近紅外波段的比值或線性組合實現(xiàn)對植被信息狀態(tài)的表達。比值植被指數(shù)RVI(RatioVI)歸一化植被指數(shù)NDVI（NormalizedVI）差值植被指數(shù)DVI（DifferenceVI)正交植被指數(shù)PVI（PerpendicularVI)將作物的VI值以時間為橫坐標(biāo)排列起來,便形成了作物生長的VI動態(tài)跡線,它以最直觀的形式,反映了作物從播種、出苗、抽穗到成熟收割VI的變化過程。作物種類不同,其VI曲線具有不同的特征,同類農(nóng)作物生長環(huán)境和發(fā)育狀況的變化也會造成VI時間曲線的波動。因此,通過對農(nóng)作物VI時間曲線的分析,可以了解作物的生長狀況,進而為作物產(chǎn)量的計算提供依據(jù)。

通過以上的作物遙感識別、作物專題信息提取、作物長勢分析，提取了作物生長及與產(chǎn)量有關(guān)的參數(shù)，則可以建立包括統(tǒng)計模型、半經(jīng)驗?zāi)Ｐ秃臀锢砟Ｐ驮趦?nèi)的多種遙感估產(chǎn)模型。(1)統(tǒng)計模型

a)建立多波段遙感數(shù)據(jù)生成的遙感參數(shù)——植被指數(shù)VI(如NDVI、PVI等)與作物單產(chǎn)的統(tǒng)計關(guān)系(線性回歸模型)。各類VI經(jīng)數(shù)學(xué)運算，信息，并可能部分消除了大氣、土壤的干擾，可與產(chǎn)量直接統(tǒng)計相關(guān)。b)建立遙感參數(shù)VI與主要農(nóng)學(xué)參數(shù)(LAI)的關(guān)系。通過農(nóng)學(xué)參數(shù)建立估產(chǎn)模型，一般是以作物葉面積指數(shù)LAI作為中間媒介，如建立垂直植被指數(shù)PVI與LAI與穗數(shù)—穗粒數(shù)—千粒重等農(nóng)學(xué)參數(shù)之間的線性關(guān)系等。但事實上，無論比值類植被指數(shù)(NDVI、RVI)，還是差值類植被指數(shù)(PVI、DVI)，均與葉面積指數(shù)LAI，并非簡單的線性關(guān)系。2023/7/20

(2)半經(jīng)驗?zāi)Ｐ桶虢?jīng)驗?zāi)Ｐ蛡?cè)重于研究作物產(chǎn)量與作物生理過程的關(guān)系，即描述作物光合作用、呼吸作用、蒸騰作用等與作物干物質(zhì)積累的關(guān)系。由于作物的可見光與近紅外光譜的變化(累積植被指數(shù))與作物冠層吸收光合有效輻射(FAPAR)能力有關(guān)，而它們又與干物質(zhì)生產(chǎn)有關(guān)，因而可用于遙感作物估產(chǎn)。研究表明：在一定條件下,植物群體光合作用產(chǎn)物與遙感植被指數(shù)之間可用線性或準線性關(guān)系表示。2023/7/20

(3)物理模型以作物生長過程動力模型為例，利用作物生長過程的觀測資料和環(huán)境氣象資料，來模擬作物生長發(fā)育的基本生理過程——光合作用、呼吸作用、蒸騰作用、干物質(zhì)轉(zhuǎn)移與分配等，最終模擬作物產(chǎn)量的形成和累積。2023/7/20旱災(zāi)：農(nóng)業(yè)旱災(zāi)的發(fā)生常伴有作物根部土壤水分的匱乏，造成作物蒸騰作用受到抑制，作物葉片氣孔關(guān)閉、溫度升高，作物葉片的葉綠素含量下降甚至枯萎。因此，地表溫度、植被指數(shù)可以作為農(nóng)業(yè)干旱的指示因子用來監(jiān)測作物干旱情況。溫度植被指數(shù)和植被供水指數(shù)采用地表溫度和植被指數(shù)相互比值進行農(nóng)業(yè)旱情監(jiān)測，兩指數(shù)同時考慮了地表溫度和植被指數(shù)，具有操作簡單、物理意義明顯的優(yōu)點，是我國當(dāng)前廣為采用的農(nóng)業(yè)干旱遙感監(jiān)測的方法。2023/7/20三、農(nóng)業(yè)災(zāi)害監(jiān)測與預(yù)測2023/7/20

洪災(zāi)：

嚴重的洪澇災(zāi)害發(fā)生常伴有淹沒農(nóng)田現(xiàn)象，可以利用歸一化植被指數(shù)（NDVI）實現(xiàn)水災(zāi)面積的遙感提取。由于水體在可見光和近紅外波段的反射率遠遠低于土壤和植被，所以水體的NDVI一般為負值，植被和土壤的NDVI則為正值，通過設(shè)定閾值實現(xiàn)水體面積的提取。作物受到洪澇災(zāi)害影響后，其正常生長過程受到抑制，在形態(tài)學(xué)上表現(xiàn)出葉子發(fā)黃、萎蔫等現(xiàn)象而區(qū)別于正常生長的作物。可以采用洪澇災(zāi)害前后的NDVI進行對比分析，得出受洪澇影響的作物分布情況。三、農(nóng)業(yè)災(zāi)害監(jiān)測與預(yù)測病蟲災(zāi)害：病蟲害影響的作物光譜表現(xiàn)為綠光波段的反射峰向紅光波段移動，在可見光波段的光譜反射率高于正常作物，而在近紅外波段，受害作物的光譜反射率要比正常作物光譜反射率低，陡坡效應(yīng)不明顯或消失。病蟲害影響的作物光譜反射率的變化特征是遙感監(jiān)測作物病蟲害的理論基礎(chǔ)。2023/7/20應(yīng)用：農(nóng)業(yè)旱災(zāi)監(jiān)測評價方法研究旱災(zāi)研究的重要性目前國內(nèi)外提出的旱情監(jiān)測方法農(nóng)業(yè)部旱情監(jiān)測及問題原因分析與可能的改進旱情監(jiān)測方法的改進監(jiān)測結(jié)果比較一、旱災(zāi)研究的重要性實際應(yīng)用意義：旱災(zāi)是人類面臨的重大自然災(zāi)害之一。旱災(zāi)損失巨大，直接威脅農(nóng)業(yè)可持續(xù)發(fā)展、國家糧食安全和農(nóng)民增收科學(xué)價值：旱災(zāi)的形成與發(fā)展有其內(nèi)在的規(guī)律，目前旱災(zāi)機理、旱災(zāi)監(jiān)測評價、抗災(zāi)減災(zāi)等方面還有很多問題有等進一步研究2006年夏季重慶大旱2006年夏季重慶大旱二、目前國內(nèi)旱情遙感監(jiān)測方法農(nóng)業(yè)干旱成因：農(nóng)田土壤供水不能滿足作物正常生長需要旱情監(jiān)測：地面監(jiān)測－－農(nóng)田土壤水分監(jiān)測衛(wèi)星遙感監(jiān)測－－各種不同的表征指數(shù)1、作物供水指數(shù)法：CWSI＝NDVI/TS

其中：CWSI是作物供水指數(shù)NDVI是歸一化植被指數(shù)

TS是作物葉面溫度原理：相同植被密度情況下，葉面溫度越高，作物表現(xiàn)出來的缺水情況越大，因此，通過植被綠度值與溫度比值，可以大體上反映作物的缺水情度，即作物旱情。申廣榮和田國良(1998)提出了作物缺水指數(shù)來表示干旱監(jiān)測， DI＝1-Ed/Ep式中Ed和Ep分別是實際日蒸散和潛在蒸散。

缺水指數(shù)法農(nóng)田作物的蒸發(fā)和蒸散（蒸散），受多種因素的作用，溫度、作物品種、輻射強度、風(fēng)速、濕度、供水程度等，較難快速、準確估計2、熱慣量法土壤熱慣量定義為是單位土壤容量的溫度變化所需要的熱量，研究表明水分是土壤熱慣量變化的最重要因素。因此，通過土壤熱慣量可以估計土壤含水量，進而判斷農(nóng)田旱情。SM＝f(I)其中：I是土壤熱慣量，c是單位土壤熱容量，A是地表反射率，Tmax和Tmin是白天最大溫度和夜晚最小溫度，SM是土壤含水量。其它方法：距平植被指數(shù)法植被條件指數(shù)法溫度植被指數(shù)法條件植被溫度指數(shù)法作物水分脅迫指數(shù)法表觀熱慣量法地表蒸發(fā)法地表熱平衡法高光譜遙感：反射率倒數(shù)的一階微分法主動微波遙感：基于微波反射亮溫的土壤水分線性反演模型三、農(nóng)業(yè)部旱情監(jiān)測及問題第一部分數(shù)據(jù)預(yù)處理子系統(tǒng)1.1文件子菜單，1.2衛(wèi)星軌跡模擬，1.3手動作業(yè)1.4自動作業(yè)，1.5設(shè)置，1.6幫助第二部分土壤墑情監(jiān)測分析子系統(tǒng)2.1文件，2.2查看，2.3區(qū)域投影2.4植被指數(shù)，2.5干旱指數(shù)2.6設(shè)置，2.7實用工具2.8快捷方式功能，2.9幫助系統(tǒng)功能核心模塊核心模塊工作流程例子：原方法所做CWSI合成圖2005年3月下旬例子：2005年3月下旬降水量分布圖3月下旬旱情監(jiān)測結(jié)果與當(dāng)旬降雨量的比較干旱降雨較多方法本身問題：作物供水指數(shù)法參數(shù)計算問題：NDVI和TS的計算四、原因分析和可能的改進現(xiàn)有的方法主要是作物供水指數(shù)法，熱慣量法由于技術(shù)復(fù)雜還沒有實際應(yīng)用。NDVI和Ts兩個基本參數(shù)的計算還有待進一步提高精度。目前所用Ts是簡單算法的溫度，與真正的地表溫度還有較大誤差。1、方法本身問題：CWSI＝NDVI/Ts

其中：CWSI是作物供水指數(shù)NDVI是歸一化植被指數(shù)

Ts是作物葉冠溫度在監(jiān)測的旬內(nèi)，NDVI相對穩(wěn)定，TS則是隨著時間而變化。一天之內(nèi)Ts可能有15度以上的變化。而各天衛(wèi)星監(jiān)測的時間不是十分相同，前后相差有1多鐘頭。并且，同一景圖像，東面的時間與西面的時間相差也達1個鐘頭。并且，現(xiàn)在的計算基本上是以星上亮溫來代表真正的地表溫度。這就造成了這個方法在計算作物供水指數(shù)方面存在很多技術(shù)上的問題，從而造成了CWSI值在各天之間不可比性，多天合成之后的問題。2、參數(shù)本身問題：五、旱情監(jiān)測方法的改進方法改進的基本思路：遙感監(jiān)測＋降雨因素(一)遙感監(jiān)測：作物供水指數(shù)法的改進(二)降雨因素：降雨距平指數(shù)的改進改進目標(biāo)：保證旱情監(jiān)測基本趨勢準確改進原則：在現(xiàn)有基礎(chǔ)上改進，方法不要太復(fù)雜，具有實際可操作性，能快速實現(xiàn)監(jiān)測(一)作物供水指數(shù)法的改進：1、供水指數(shù)與干旱程度：NDVI與干旱程度2、作物供水指數(shù)的標(biāo)準化3、溫度：真正的地表溫度4520TsNDVI干旱濕潤正常0.10.30.50.70.8200.501.502.503.504.00250.401.202.002.803.20300.331.001.672.332.67350.290.861.432.002.29400.250.751.251.752.00450.220.671.111.561.78NDVITsCWSI=100＊NDVI/Ts濕潤正常輕旱中旱重旱1、NDVI、Ts與旱情的關(guān)系分析2、作物供水指數(shù)與農(nóng)業(yè)旱情聯(lián)系SDI是表示干旱情度的標(biāo)準化作物供水指數(shù)，0-100CWSId是最旱時的CWSI，CWSIw是最濕潤時的CWSI，取40100濕潤重旱3、溫度：MODIS地表溫度產(chǎn)品算法現(xiàn)有的算法：簡單算法，假定大氣和地表影響為常量Ts31+2.5779(T31-T32改進的算法：兩因素分裂窗模型，假定大氣和地表影響隨觀測時間不同而變化的分裂窗算法，大氣透過率參數(shù)和地表比輻射率參數(shù)從同一景MODIS圖像其它波段中反演這兩個算法之間相差達2－3°C，從而使CWSI的計算有達半個到一個數(shù)量級的差異，例如從輕旱到正常。 Ts=A0+A1T31-A2T32

MODIS地表溫度反演的兩因素分裂窗算法3個參數(shù)：亮度溫度Ti，大氣透過率i和地表比輻射率i2023/7/20亮度溫度Ti2023/7/20大氣透過率i2023/7/20地表比輻射率iMODIS地表溫度產(chǎn)品的計算過程(二)降雨因素的考慮1、根據(jù)降雨計算干旱程度指數(shù)：降雨距平指數(shù)SRI是降雨距平指數(shù)，SRI越大越濕潤R是該旬降雨量Rw是該旬多年平均降雨量R＞2Rw時，取SRI＝100不僅考慮當(dāng)旬，而且還考慮最近8旬（3個月）的降雨影響MSRI=A0*SRI0+A1*SRI1+A2*SRI2+A3*SRI3+a4*SRI4+….+a8*SRI8MSRI是考慮降雨因素的干旱指數(shù)，0-100SRI0和A0是當(dāng)旬的降雨距平指數(shù)及其權(quán)重當(dāng)SRI0＝100時，取MSRI＝SRI0，當(dāng)旬降雨相當(dāng)多2、歷史降雨因素的考慮各旬降雨距平指數(shù)的權(quán)重（三）兩指數(shù)耦合與旱情劃分農(nóng)業(yè)旱情指數(shù)：作物供水指數(shù)和降雨距平指數(shù)的耦合DI＝B1*SDI+B2*MSRI其中：DI是農(nóng)業(yè)旱情指數(shù)，0－100表示非常干旱到非常濕潤 SDI是當(dāng)旬多日合成的標(biāo)準化作物供水指數(shù)， B1 MSRI是考慮多旬降雨因素的干旱指數(shù)，B2六、監(jiān)測結(jié)果比較2005年5月下旬降水距平分布圖遙感影像合成圖（原方法2005年5月下旬）問題：云南不旱，貴州四川旱，與實際不符遙感影像合成圖（改進的方法）重旱中旱輕旱正常濕潤水域云,無數(shù)據(jù)2005年5月下旬監(jiān)測結(jié)果圖重旱中旱輕旱正常濕潤水域云,無數(shù)據(jù)2005年農(nóng)業(yè)旱情監(jiān)測結(jié)果重旱中旱輕旱正常濕潤水域無數(shù)據(jù)2005年3月2005年4月重旱中旱輕旱正常濕潤水域無數(shù)據(jù)2005年5月重旱中旱輕旱正常濕潤水域無數(shù)據(jù)2005年6月重旱中旱輕旱正常濕潤水域無數(shù)據(jù)2005年7月重旱中旱輕旱正常濕潤水域無數(shù)據(jù)2005年8月重旱中旱輕旱正常濕潤水域無數(shù)據(jù)2005年9月重旱中旱輕旱正常濕潤水域無數(shù)據(jù)2005年10月重旱中旱輕旱正常濕潤水域無數(shù)據(jù)2023/7/20城市遙感2023/7/201制作城市圖像2城市土地利用現(xiàn)狀調(diào)查3城市人口普查4城市環(huán)境質(zhì)量調(diào)查2023/7/201制作城市圖